Stationarity Test Für Panel Daten In Stata Forex

Stata: Datenanalyse und statistische Software Panel-Daten Einheit-Root-Tests Statas neue xtunitroot Befehl implementiert eine Vielzahl von Tests für Einheit Wurzeln oder Stationarität in Panel-Datasets. Die LevinndashLinndashChu (2002), HarrisndashTzavalis (1999), Breitung (2000 Breitung und Das 2005), ImndashPesaranndashShin (2003) und Fisher-Typ (Choi 2001) haben als Nullhypothese, dass alle Felder eine Einheitswurzel enthalten. Der Hadri (2000) Lagrange-Multiplikator (LM) - Test hat als Nullhypothese, dass alle Tafeln (Trend) stationär sind. Mit Optionen können Sie feste Effekte und Zeittrends in das Modell des Datenerzeugungsprozesses aufnehmen. Die verschiedenen Tests stellen unterschiedliche asymptotische Annahmen in Bezug auf die Anzahl der Felder in Ihrem Dataset und die Anzahl der Zeitperioden in jedem Panel. Xtunitroot hat alle Ihre Basen bedeckt, einschließlich Tests für Datasets mit einer großen Anzahl von Panels und wenige Zeiträume, Datensätze mit wenigen Panels, aber viele Zeiträume und Datensätze mit vielen Panels und viele Zeiträume geeignet. Die meisten Tests gehen davon aus, dass Sie ein ausgewogenes Panel-Dataset haben, aber die ImndashPesaranndashShin - und Fisher-Tests erlauben unsymmetrische Panels. Wir haben Daten über das Protokoll der realen Wechselkurse für eine große Gruppe von Ländern für 34 Jahre. Hier wenden wir den LevinndashLinndashChu-Test auf eine Teilmenge von Daten für die G7-Länder an, um zu untersuchen, ob die Serie lnrxrate einen Einheitswurzelwert enthält. Weil wir die Vereinigten Staaten als numeraire bei der Berechnung der lnrxrate-Reihe verwenden, enthält diese Teilmenge von Daten sechs Felder. Der Header der Ausgabe fasst den Test zusammen. Die Nullhypothese ist, daß die Reihe eine Einheitswurzel enthält, und die Alternative ist, daß die Reihe stationär ist. Wie die Ausgabe anzeigt, nimmt der LevinndashLinndashChu Test einen allgemeinen autoregressiven Parameter für alle Verkleidungen an, also erlaubt dieser Test nicht die Möglichkeit, daß einige countriesrsquo reale Wechselkurse Maßeinheitswurzeln enthalten, während andere countriesrsquo reale Wechselkurse nicht tun. Jeder von xtunitroot durchgeführte Test macht auch explizit das angenommene Verhalten der Anzahl von Platten und Zeitperioden. Der LevinndashLinndashChu-Test mit paneelspezifischen Mitteln, aber kein Zeittrend erfordert, daß die Anzahl von Zeitperioden schneller wächst als die Anzahl von Platten, so daß das Verhältnis von Platten zu Zeitperioden zu Null neigt. Der Test beinhaltet das Anpassen einer erweiterten DickeyndashFuller-Regression für jedes Panel, das wir angefordert haben, dass die Anzahl der zu berücksichtigenden Verzögerungen basierend auf dem AIC mit höchstens 10 Verzögerungen ausgewählt wird. Um die Langzeitvarianz der Serie zu schätzen, verwendet xtunitroot standardmäßig den Bartlett-Kernel unter Verwendung von 10 Verzögerungen, wie durch die von Levin, Lin und Chu vorgeschlagene Methode ausgewählt. Die LevinndashLinndashChu-Bias-adjustierte t-Statistik beträgt minus 4,0277, was bei allen üblichen Teststufen signifikant ist. Daher lehnen wir die Nullhypothese ab und schließen, dass die Serie stationär ist. Wenn wir die Demean-Option verwenden, um xtunitroot zu entfernen, um Querschnittsmittel aus der Reihe zu entfernen, um die Auswirkungen der Querschnittskorrelation zu mildern, erhalten wir eine Teststatistik, die auf der 5-Ebene, aber nicht auf der 1-Ebene signifikant ist. Weil der LevinndashLinndashChu-Test erfordert, dass das Verhältnis der Anzahl der Panels zu Zeitperioden asymptotisch zu Null neigt, ist es für Datensätze mit einer großen Anzahl von Panels und relativ wenigen Zeitperioden nicht gut geeignet. Hier verwenden wir den HarrisndashTzavalis-Test, der davon ausgeht, dass die Anzahl der Platten unendlich ist, während die Anzahl der Zeitperioden feststeht, um zu testen, ob lnrxrate in unserem gesamten Datenbestand von 151 Ländern eine Einheitswurzel enthält: Hier finden wir überwältigende Hinweise gegen die Null Hypothese einer Einheitswurzel und folgern daraus, dass lnrxrate stationär ist. Für eine vollständige Liste der Whatrsquos neu in Panel-Daten und gemischte Modelle, klicken Sie hier. Referenzen Breitung, J. 2000. Die lokale Leistung einiger Einheitswurzeltests für Paneldaten. Fortschritte in der Ökonometrie, Band 15: Nichtstationäre Panels, Panel Cointegration und Dynamic Panels. Ed. B. H. Baltagi, 161ndash178. Amsterdam: JAY Press. Breitung, J. und S. Das. 2005. Panel Unit Wurzeltests unter Querschnittsabhängigkeit. Statistica Neerlandica 59: 414ndash433. Choi, I. 2001. Wurzeltests für Paneldaten. Zeitschrift für internationale Geld - und Finanzpolitik 20: 249ndash272. Hadri, K. 2000. Prüfung der Stationarität in heterogenen Paneldaten. Ökonometrie Zeitschrift 3: 148ndash161. Harris, R. D. F. und E. Tzavalis. 1999. Inferenz für Einheitswurzeln in dynamischen Feldern, in denen die Zeitdimension festgelegt ist. Zeitschrift für anorganische und allgemeine Chemie. Im, K. S. M. H. Pesaran und Y. Shin. Prüfung von Einheitswurzeln in heterogenen Platten. Zeitschrift für anorganische und allgemeine Chemie. Levin, A. C.-F. Lin und C.-S. J. Chu. Wurzeltests in Paneldaten: Asymptotische und Finite-Sample-Eigenschaften. Journal of Econometrics 108: 1ndash24.Statistische Stationarität: Eine stationäre Zeitreihe ist eine, deren statistische Eigenschaften wie Mittelwert, Varianz, Autokorrelation usw. alle über die Zeit konstant sind. Die meisten statistischen Prognosemethoden basieren auf der Annahme, dass die Zeitreihe durch die Verwendung von mathematischen Transformationen annähernd stationär (d. h. Eine stationarisierte Serie ist relativ einfach vorherzusagen: Sie prognostizieren einfach, dass ihre statistischen Eigenschaften in Zukunft dieselben sein werden, wie sie es in der Vergangenheit waren (erinnern Sie sich an unsere berühmten Prognosezitate.) Die Prognosen für die stationäre Reihe können dann zertifiziert werden Durch Umkehrung, was mathematische Transformationen vorher verwendet wurden, um Vorhersagen für die ursprüngliche Reihe zu erhalten. (Die Details werden in der Regel von Ihrer Software betreut.) Das Finden der Sequenz von Transformationen, die für die Stationarisierung einer Zeitreihe erforderlich sind, liefert oft wichtige Hinweise bei der Suche nach einem geeigneten Prognosemodell. Stationarisierung einer Zeitreihe durch Differenzierung (wo nötig) ist ein wichtiger Teil des Prozesses der Montage eines ARIMA-Modells. Wie auf den Seiten der ARIMA-Seiten beschrieben. Ein weiterer Grund für den Versuch, eine Zeitreihe zu stationarisieren, besteht darin, sinnvolle Stichprobenstatistiken wie Mittelwerte, Abweichungen und Korrelationen mit anderen Variablen zu erhalten. Solche Statistiken sind als Deskriptoren des zukünftigen Verhaltens nur dann nützlich, wenn die Serie stationär ist. Wenn z. B. die Reihe im Laufe der Zeit kontinuierlich zunimmt, wachsen die Stichprobenmittelwerte und die Varianz mit der Größe der Stichprobe, und sie werden den Mittelwert und die Varianz in zukünftigen Perioden immer unterschätzen. Und wenn der Mittelwert und die Varianz einer Reihe nicht gut definiert sind, so sind sie auch keine Korrelationen mit anderen Variablen. Aus diesem Grund sollten Sie vorsichtig sein, wenn Sie versuchen, Regressionsmodelle für nichtstationäre Daten zu extrapolieren. Die meisten wirtschaftlichen und ökonomischen Zeitreihen sind weit von stationär, wenn sie in ihren ursprünglichen Maßeinheiten ausgedrückt werden, und selbst nach Deflation oder Saisonbereinigung werden sie typischerweise immer noch Trends, Zyklen, zufälliges Gehen und anderes nicht-stationäres Verhalten aufweisen. Hat die Baureihe einen stabilen Langzeittrend und neigt nach einer Störung dazu, in die Trendlinie zurückzukehren, kann sie durch Abtrennung (zB durch Anpassen einer Trendlinie und Subtrahieren vor dem Einbau eines Modells, Oder indem man den Zeitindex als eine unabhängige Variable in einem Regression - oder ARIMA-Modell einbindet), möglicherweise in Verbindung mit dem Protokollieren oder dem Entleeren. Solch eine Reihe soll tendenziell stationär sein. Jedoch reicht es manchmal auch nicht aus, die Serie stationär zu machen, wobei es in diesem Fall notwendig sein kann, sie in eine Reihe von Periodenperiodenperioden und - oder Jahreszeitunterschieden umzuwandeln. Wenn der Mittelwert, die Varianz und die Autokorrelationen der ursprünglichen Reihe nicht zeitlich konstant sind, werden die Statistiken der Veränderungen in der Reihe zwischen den Perioden oder zwischen den Jahreszeiten möglicherweise auch nach der Detrierung konstant sein. Eine solche Reihe wird als Differenz stationär bezeichnet. (Manchmal kann es schwierig sein, den Unterschied zwischen einer Serie, die Trend-stationär und eine, die Differenz-stationär ist zu erzählen, und ein so genannter Einheit Root-Test kann verwendet werden, um eine endgültigere Antwort erhalten werden. Wir kehren zu diesem Thema Später im Kurs.) (Rückkehr nach oben.) Der erste Unterschied einer Zeitreihe ist die Reihe von Änderungen von einer Periode zur nächsten. Wenn Y t den Wert der Zeitreihe Y in der Periode t angibt, ist die erste Differenz von Y in der Periode t gleich Y t - Y t-1. In Statgraphics wird die erste Differenz von Y als DIFF (Y) ausgedrückt, und in RegressIt ist es YDIFF1. Wenn die erste Differenz von Y stationär und auch vollständig zufällig (nicht autokorreliert) ist, dann wird Y durch ein zufälliges Wandermodell beschrieben: jeder Wert ist ein zufälliger Schritt von dem vorherigen Wert entfernt. Wenn die erste Differenz von Y stationär, aber nicht vollständig zufällig ist - d. h. Wenn sein Wert in der Zeit t mit seinem Wert zu früheren Perioden autokorreliert wird - dann kann ein anspruchsvolleres Prognosemodell, wie Exponentialglättung oder ARIMA, geeignet sein. (Hinweis: wenn DIFF (Y) stationär und zufällig ist, bedeutet dies, dass ein zufälliges Wandermodell für die ursprüngliche Serie Y geeignet ist, nicht dass ein zufälliges Wandermodell an DIFF (Y) angebracht werden sollte Ist logisch gleichbedeutend mit der Anpassung eines mittleren (nur konstanten) Modells an DIFF (Y). Hier ist ein Graph der ersten Differenz von AUTOSALECPI, der deflationierten Auto-Verkaufsreihe. Beachten Sie, dass es jetzt ungefähr stationär aussieht (mindestens das Mittel und die Varianz sind mehr oder weniger konstant), aber es ist überhaupt nicht zufällig (ein starkes saisonales Muster bleibt): Die folgende Kalkulationstabelle veranschaulicht, wie die erste Differenz für die Deflation berechnet wird Auto Verkaufsdaten: